# Eine geclusterte Genexpressions-Heatmap erstellen

> Laden Sie eine Expressionsmatrix aus RNA-Seq oder Microarrays hoch. Yila filtert kaum exprimierte Gene heraus, wählt die variabelsten aus, clustert Gene und Proben und annotiert die Gruppen.

URL: https://yila.ai/de/playbooks/gene-expression-heatmap

## Das erhalten Sie

- **Geclusterte Heatmap** (PNG + SVG): Gene und Proben nach hierarchischem Clustering geordnet, eine divergierende Farbskala, Annotationsleisten für die Proben und eine Legende.
- **Genliste** (CSV): Die Gene der Heatmap mit ihrer mittleren Expression in jeder Gruppe, zum Nachschlagen oder Zitieren.
- **Dokumentierte Filterkriterien** (Methodenteil): Die Expressionsschwelle und die ausgeschlossenen Genklassen stehen ausdrücklich im Skript, sodass sich die Genauswahl im Methodenteil beschreiben lässt.
- **Das Skript** (Python-Skript): Die vollständige Pipeline in Python (oder auf Wunsch in R), von der Rohmatrix bis zur Abbildung.

## So funktioniert es

1. **Matrix hochladen und Gruppen nennen**: Geben Sie Yila die Expressionstabelle mit Genen in Zeilen und Proben in Spalten und sagen Sie, wie die Proben gruppiert werden sollen. Gruppe und Spender lassen sich meist aus den Probennamen ablesen.
2. **Yila filtert zuerst und wählt dann aus**: Yila entfernt kaum exprimierte Gene und Loci, die das Messverfahren nicht zuverlässig erfasst, damit die variabelsten Gene echtes Signal zeigen und kein Rauschen nahe null.
3. **Heatmap, Genliste und Skript erhalten**: Die Heatmap wird gerendert, geprüft und mit der Genliste und dem Skript gespeichert. Mehr Gene, ein anderes Distanzmaß, eine feste Probenreihenfolge oder nur differenziell exprimierte Gene können Sie im selben Gespräch anfordern.

## Geeignet für

- **Ein erster Blick auf RNA-Seq-Daten**: Sehen Sie vor der formalen differenziellen Analyse, ob sich die Proben nach Behandlung, Spender oder Batch gruppieren.
- **Eine Abbildung für den Artikel**: Zeigen Sie das Expressionsmuster der relevanten Gene in einem Layout, das Fachzeitschriften akzeptieren.
- **Reanalyse öffentlicher Daten**: Machen Sie aus einer GEO- oder ArrayExpress-Matrix in wenigen Minuten eine Heatmap, um eine veröffentlichte Aussage zu prüfen.

## Häufige Fragen

### Warum werden Gene gefiltert, bevor die variabelsten ausgewählt werden?

Gene mit einer Expression nahe null können zufällig stark schwanken, und kurze Loci kleiner RNAs werden mit Poly-A-RNA-Seq schlecht erfasst. Ohne Filter verdrängen sie die Gene, die Sie interessieren. Ein früherer, ungefilterter Durchlauf mit denselben Daten hat das gezeigt: Die meisten seiner Top 50 waren snoRNA- und miRNA-Loci.

### Wozu dient der z-Score?

Jedes Gen wird über die Proben hinweg auf Mittelwert 0 und Standardabweichung 1 skaliert, sodass die Farben zeigen, wo ein Gen relativ zu sich selbst hoch oder niedrig ist. Ohne diese Skalierung würden die am stärksten exprimierten Gene die Farbskala dominieren.

### Kann ich die Gene selbst auswählen?

Ja. Laden Sie eine Genliste hoch oder fügen Sie sie ein, oder fordern Sie die am stärksten differenziell exprimierten Gene aus einer Ergebnistabelle an; die Heatmap wird dann für diese Gene erstellt.

### Welche Eingabewerte sind möglich?

FPKM, TPM, normalisierte Counts oder Array-Intensitäten. Rohe Counts normalisiert und log-transformiert Yila zuerst und erläutert das Vorgehen.

### Können die Proben in einer festen Reihenfolge bleiben?

Ja. Bitten Sie darum, nur die Gene zu clustern; die Proben bleiben dann in der von Ihnen vorgegebenen Reihenfolge, zum Beispiel nach Behandlung gruppiert.

### R oder Python?

Beides ist möglich. Das Beispiel verwendet Python mit seaborn; in R nutzt Yila pheatmap oder ComplexHeatmap.

### Woher stammen die Beispieldaten?

Aus der öffentlichen GEO-Serie GSE52778, den RNA-Seq-Daten hinter Himes et al., PLOS ONE 2014. Yila verwendet niemals Daten von Nutzern als Beispiele.

---

- [Eine geclusterte Genexpressions-Heatmap erstellen](https://yila.ai/de/playbooks/gene-expression-heatmap)
- [llms.txt](https://yila.ai/de/llms.txt)
